LLM & Inférence
Fournisseurs LLM et inference : Anthropic, OpenAI, Hugging Face, agents conversationnels.
| # | Skill | Source | Description | Δ | |
|---|---|---|---|---|---|
| 1 | claude-api | anthropics/skills | Construire des applications LLM avec Claude via le SDK officiel adapté au langage. | 134 575 | 370 |
| 2 | arize-ai-provider-integration | github/awesome-copilot | Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. | 33 028 | 48 |
| 3 | arize-prompt-optimization | github/awesome-copilot | Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. | 33 028 | 48 |
| 4 | arize-trace | github/awesome-copilot | Exporter et analyser des traces de spans depuis Arize via CLI. | 33 028 | 48 |
| 5 | copilot-sdk | github/awesome-copilot | Intégrer les workflows agentiques de GitHub Copilot dans n'importe quelle application. | 33 028 | 48 |
| 6 | arize-evaluator | github/awesome-copilot | Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. | 33 028 | 48 |
| 7 | doublecheck | github/awesome-copilot | Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. | 33 028 | 48 |
| 8 | phoenix-cli | github/awesome-copilot | Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. | 33 028 | 48 |
| 9 | phoenix-evals | github/awesome-copilot | Construire et valider des évaluateurs LLM pour applications IA en production. | 33 028 | 48 |
| 10 | phoenix-tracing | github/awesome-copilot | Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. | 33 028 | 48 |
| 11 | python-mcp-server-generator | github/awesome-copilot | Générer un serveur MCP Python complet, production-ready, avec outils typés et gestion d'erreurs. | 33 028 | 48 |
| 12 | ai-prompt-engineering-safety-review | github/awesome-copilot | Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. | 33 028 | 48 |
| 13 | create-llms | github/awesome-copilot | Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. | 33 028 | 48 |
| 14 | microsoft-agent-framework | github/awesome-copilot | Développer, migrer et orchestrer des agents avec Microsoft Agent Framework. | 33 028 | 48 |
| 15 | model-recommendation | github/awesome-copilot | Recommander le modèle IA optimal pour un fichier .agent.md ou .prompt.md Copilot. | 33 028 | 48 |
| 16 | semantic-kernel | github/awesome-copilot | Développer des intégrations IA robustes avec le framework Semantic Kernel. | 33 028 | 48 |
| 17 | update-llms | github/awesome-copilot | Mettre à jour le fichier llms.txt pour refléter la structure actuelle du dépôt. | 33 028 | 48 |
| 18 | agent-governance | github/awesome-copilot | Appliquer des règles de sécurité et de conformité aux actions d'un agent IA. | 33 028 | 48 |
| 19 | agentic-eval | github/awesome-copilot | Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. | 33 028 | 48 |
| 20 | prompt-optimizer | github/awesome-copilot | Transformer n'importe quelle ébauche en prompt optimisé prêt à l'emploi pour LLM. | 33 028 | 48 |
| 21 | openai-docs | openai/skills | Consulter la documentation officielle OpenAI pour guider développeurs, migrations et sélection de modèles. | 19 151 | 43 |
| 22 | langchain-architecture | wshobson/agents | Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. | 35 416 | 41 |
| 23 | llm-evaluation | wshobson/agents | Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. | 35 416 | 41 |
| 24 | prompt-engineering-patterns | wshobson/agents | Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. | 35 416 | 41 |
| 25 | solana-agent-kit | elophanto/elophanto | Déployer et gérer des tokens, NFTs et opérations DeFi sur Solana de façon autonome. | 72 | 13 |
| 26 | switchboard | elophanto/elophanto | Intégrer l'oracle Switchboard pour amener des données personnalisées on-chain sur Solana. | 72 | 13 |
| 27 | add-function-examples | vercel/ai | Générer des exemples de fonctions IA illustrant les nouvelles fonctionnalités du projet. | 24 238 | 12 |
| 28 | add-provider-package | vercel/ai | Créer et intégrer un nouveau package provider dans l'AI SDK Vercel. | 24 238 | 12 |
| 29 | develop-ai-functions-example | vercel/ai | Tester et valider des fonctions SDK IA multi-providers avec des exemples structurés. | 24 238 | 12 |
| 30 | update-provider-models | vercel/ai | Mettre à jour les identifiants de modèles IA en ajoutant ou supprimant des références dans une codebase. | 24 238 | 12 |
| 31 | ai-sdk | vercel/ai | Intégrer et utiliser correctement l'AI SDK Vercel avec APIs et modèles à jour. | 24 238 | 12 |
| 32 | hf-mcp | huggingface/skills | Connecter des assistants IA au Hub Hugging Face pour modèles, datasets et jobs GPU. | 10 497 | 6 |
| 33 | huggingface-best | huggingface/skills | Trouver et comparer les meilleurs modèles HuggingFace selon la tâche et le matériel disponible. | 10 497 | 6 |
| 34 | huggingface-local-models | huggingface/skills | Rechercher et lancer des modèles GGUF localement via llama.cpp depuis Hugging Face. | 10 497 | 6 |
| 35 | huggingface-paper-publisher | huggingface/skills | Publier, gérer et lier des articles de recherche sur Hugging Face Hub. | 10 497 | 6 |
| 36 | huggingface-papers | huggingface/skills | Accéder et analyser des pages de papers IA depuis Hugging Face ou arXiv. | 10 497 | 6 |
| 37 | transformers-js | huggingface/skills | Exécuter des modèles ML directement en JavaScript, côté client ou serveur, sans Python. | 10 497 | 6 |
| 38 | azure-ai-openai-dotnet | microsoft/skills | Intégrer les modèles Azure OpenAI (GPT-4, DALL-E, Whisper) dans des applications .NET. | 2 315 | 5 |
| 39 | azure-ai-voicelive-dotnet | microsoft/skills | Créer des assistants vocaux bidirectionnels en temps réel avec Azure AI. | 2 315 | 5 |
| 40 | azure-ai-agents-persistent-java | microsoft/skills | Créer et gérer des agents IA persistants Azure via un SDK Java bas niveau. | 2 315 | 5 |
| 41 | azure-ai-contentsafety-java | microsoft/skills | Modérer du contenu texte et image via le SDK Azure AI Content Safety en Java. | 2 315 | 5 |
| 42 | azure-ai-projects-java | microsoft/skills | Gérer connexions, datasets, index et évaluations Azure AI Foundry via SDK Java. | 2 315 | 5 |
| 43 | agent-framework-azure-ai-py | microsoft/skills | Créer des agents persistants sur Azure AI Foundry avec outils intégrés et gestion de conversation. | 2 315 | 5 |
| 44 | azure-ai-contentunderstanding-py | microsoft/skills | Extraire du contenu sémantique multimodal depuis documents, vidéos, audios et images. | 2 315 | 5 |
| 45 | azure-ai-language-conversations-py | microsoft/skills | Implémenter l'analyse conversationnelle Azure AI avec le SDK Python dédié. | 2 315 | 5 |
| 46 | azure-ai-projects-py | microsoft/skills | Créer et déployer des agents IA sur Microsoft Azure Foundry via le SDK Python. | 2 315 | 5 |
| 47 | azure-ai-vision-imageanalysis-py | microsoft/skills | Analyser des images Azure AI pour extraire texte, objets, légendes et tags. | 2 315 | 5 |
| 48 | wiki-llms-txt | microsoft/skills | Générer des fichiers llms.txt et llms-full.txt pour rendre une documentation wiki accessible aux LLM. | 2 315 | 5 |
| 49 | copilot-sdk | microsoft/skills | Intégrer GitHub Copilot dans des applications via un SDK multilangage. | 2 315 | 5 |
| 50 | prompt-optimizer | getsentry/skills | Optimiser, affiner et déboguer des prompts d'agents IA selon une approche orientée évaluation. | 716 | 4 |
À propos de cette sélection
L'outillage autour des modèles de langage a mûri vite, mais de façon inégale : certaines briques sont solides, d'autres restent expérimentales ou peu documentées hors des cas standards. Les **skills llm & inférence** de cette section ciblent les devs qui passent de l'expérimentation à la mise en production réelle.
Concrètement, ça parle au dev backend Python qui orchestre des appels à Claude ou à des modèles Hugging Face avec gestion fine des tokens et des coûts, et au fullstack TypeScript qui branche un agent conversationnel sur une UI existante. Les contraintes d'inférence, de latence et de traçabilité divergent vite entre ces deux profils. Les skills couvrent aussi l'évaluation de prompts et le monitoring de traces, deux angles souvent négligés dans les tutos d'entrée de gamme.